PyCaret数据转换：Box-Cox与Yeo-Johnson变换

PyCaret数据转换Box-Cox与Yeo-Johnson变换【免费下载链接】pycaretAn open-source, low-code machine learning library in Python项目地址: https://gitcode.com/gh_mirrors/py/pycaretPyCaret是一个开源的低代码机器学习库提供了简单高效的数据预处理功能其中Box-Cox和Yeo-Johnson变换是常用的特征工程技术能够有效改善数据分布特性提升模型性能。为什么需要数据转换在机器学习中许多算法假设数据服从正态分布。实际应用中原始数据往往存在偏斜分布这会影响模型的预测效果。Box-Cox和Yeo-Johnson变换通过数学函数将非正态数据转换为更接近正态分布的形式帮助模型更好地学习数据规律。图PyCaret的核心功能模块数据准备是机器学习流程的重要环节Box-Cox变换处理正数值数据Box-Cox变换适用于所有数值为正的数据集通过以下公式实现数据转换y(λ) (y^λ - 1)/λ, 当λ ≠ 0 y(λ) ln(y), 当λ 0其中λ是变换参数PyCaret会自动选择最优λ值使数据分布更接近正态。Yeo-Johnson变换支持零和负值数据Yeo-Johnson变换是Box-Cox的扩展版本支持包含零和负值的数据其变换公式为y(λ) [(y1)^λ - 1]/λ, 当λ ≠ 0且y ≥ 0 y(λ) ln(y1), 当λ 0且y ≥ 0 y(λ) -[( -y 1)^(2-λ) - 1]/(2-λ), 当λ ≠ 2且y 0 y(λ) -ln(-y 1), 当λ 2且y 0在PyCaret中使用变换的简单步骤PyCaret提供了直观的API只需在setup函数中设置相应参数即可启用数据变换功能图PyCaret回归分析的功能API示例包含数据加载、模型训练和预测的完整流程基本使用方法# 初始化设置时启用Box-Cox变换 from pycaret.regression import setup setup(data, targetcharges, transformationTrue, transformation_methodbox-cox) # 或使用Yeo-Johnson变换 setup(data, targetcharges, transformationTrue, transformation_methodyeo-johnson)变换选择的实用建议✅ 当数据全部为正时优先选择Box-Cox变换✅ 当数据包含零或负值时使用Yeo-Johnson变换✅ 通过绘制Q-Q图或Shapiro-Wilk检验评估变换效果⚠️ 注意某些变换可能引入新的特征相关性建议结合特征选择使用快速上手PyCaret图PyCaret快速入门演示展示从数据加载到模型部署的完整流程要开始使用PyCaret进行数据转换和机器学习建模只需执行以下命令安装pip install pycaret通过PyCaret的低代码接口即使是机器学习新手也能轻松应用Box-Cox和Yeo-Johnson等高级数据变换技术显著提升模型性能。详细使用方法可参考官方文档和教程。【免费下载链接】pycaretAn open-source, low-code machine learning library in Python项目地址: https://gitcode.com/gh_mirrors/py/pycaret创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考